DeepGBASS: Deep Guided Boundary-Aware Semantic Segmentation

Semantisk bildsegmentering används överallt i scenförståelseapplikationer, såsom AI-kamera, som kräver hög noggrannhet och effektivitet. Deep learning har avsevärt avancerat det senaste inom semantisk segmentering. Men många av de senaste semantiska segmenteringsverken tar bara hänsyn till klassnoggrannhet och ignorerar noggrannheterna vid gränserna mellan semantiska klasser. För att förbättra den semantiska gränsnoggrannheten föreslår vi lågkomplexa Deep Guided Decoder (DGD)-nätverk, tränade med en ny strategi för Semantic Boundary-Aware Learning (SBAL). Våra ablationsstudier på Cityscapes och ADE20K-32 bekräftar effektiviteten av vårt tillvägagångssätt med nätverk av olika komplexiteter. Vi visar att vår DeepGBASS-metod avsevärt förbättrar mIoU med upp till 11 % relativ vinst och medelgräns F1-poäng (mBF) med upp till 39.4 % när man tränar MobileNetEdgeTPU DeepLab på ADE20K-32 dataset.

författare: Qingfeng Liu, Hai Su, Mostafa El-Khamy, Kee-Bong Song, från SOC Multimedia R&D, Samsung Semiconductor, Inc., USA

Publicerad i: ICASSP 2022 – 2022 IEEE internationella konferens om akustik, tal och signalbehandling (ICASSP)

DOI: 10.1109/ICASSP43922.2022.9747892

Klicka här. att läsa mer.